当利用LSTM组成AE去拟合时间序列时发现,拟合的效果很好。但是,利用重构误差去做异常检测这条路依旧不通,因为发现异常曲线的拟合效果也很好……算了,这次先不打算做时间序列异常检测了。在这里把“基于LSTM的auto-encoder”的代码分享出来。 代码参考了Jason Brownlee大佬修改的:具体链接我找不到了,当他的博
方法:论文提出了一种基于长短期记忆自动编码器(LSTM-AE)的多元时间序列数据的异常检测算法。在实验室测试中,所提出的基于集成方法的LSTM自编码器异常检测模型在室内环境数据上达到了97.66%的准确率。 创新点: 提出了一种基于LSTM-AE的异常检测模型,该模型利用长短期记忆网络提取时间序列数据的特征,并通过重构误差来判...
DCNN-AE DCNN-AE仍然使用的是DCNN的框架,将H作为网络的输入,其中每一个矩阵 F_i 就作为一个样本,其标签就为它自身,因此DCNN-AE同AE以重构为目的进行特征的学习。 在编码层,针对每个 F_i 进行卷积操作(选取 2*2 的卷积核,取最大值): \mathbf{J}_{i}^{k}=\sigma\left(\mathbf{H}_{i} * \mathbf...
LSTM-AE则将特征增强后的序列视为时间序列，并利用LSTM的长短期记忆特性在编码器和解码器之间进行信息传递，有效分析时序数据之间的关系。最后，文章提供了实现LSTM-AE的代码链接，供有兴趣的读者参考。通过上述方法，可以实现对多元时间序列的异常检测，提高数据分析的效率和准确性。
方法:论文提出了一种基于LSTM和注意力机制的自编码器(LSTMA-AE)模型,结合机制约束,用于注水泵多维时间序列的异常检测。LSTMA-AE通过编码器提取时间特征,注意力层增强信息提取,解码器重建数据,从而提高异常检测的准确性并降低误报率。 创新点; 提出了一种结合LSTM和注意力机制的自编码器(LSTMA-AE)模型,用于注水泵...
在使用LSTM自编码器进行异常检测时,我们需要遵循以下步骤: 理解LSTM自编码器的基本原理和结构: LSTM(长短期记忆网络)是一种特殊的循环神经网络(RNN),能够有效处理时间序列数据中的长距离依赖问题。 自编码器是一种无监督学习算法,其目标是学习一个输入数据的压缩表示(编码),然后能够从这个表示中重构出原始输入数据...
数字化纺织服装技术教育部工程研究中心;b.信息科学与技术学院,上海 201620)摘要 针对基于LSTM-AE(长短期记忆自编码器)的时间序列异常检测方法在异常检测阶段对正常序列和异常序列的重建误差不能明显分化,致使重建误差在阈值附近的序列无法正确判断正常与异常的问题,提出一种集成LSTM-AE框架 —— LAEE(长短期记忆自编码...
磁异常探测是利用磁测量仪器采集和分析磁异常信号的一种技术手段。随着时间的推移,MAD在水下磁目标探测、目标定位、航空磁探测、地下矿产勘探、地下管道探测等领域得到了广泛的应用。特征提取是MAD方法的关键组成部分。这些方法大致可分为基...
通过在加油数据集和公开数据集上的实验证明了该方法的有效性，并且相较于目前的异常检测方法具有一定提升。关键词 生成式对抗网络 长短期递归神经网络 无监督学习 时序数据 异常检测 中图分类号 ＴＰ３９１．１ 文献标志码 Ａ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００ ３８６ｘ．２０２２...